机器学习包括监督学习和无监督学习两种监督学习：学习X->Y或者输入到输出的映射算法，从而学习算法从“正确答案”中学习两种主要的监督学习：回归和分类无监督学习： 从未标记数据中学习，训练模型分类：聚类算法，异常检测，降维。

具有多个输入特征的线性回归模型。

解决二分类问题，输出结果只能是很小范围内的数，如0和1.

层（layer）：是一组或一个神经元，它们以相同的或相似的特征作为输入，并依次输出一些数字。以下是预测一种T恤成为畅销品的概率，有四个特征作为特征向量x来输入，它们会影响顾客的可负担性、认知度和感知质量，其中，输出的概率也叫激活值，其实这就是一个逻辑回归,输入特征向量后通过逻辑回归来预测成为畅销品的概率。黄色为输入层，中间蓝色为中间层，也叫隐藏层，右边粉色叫输出层。

1、第一步指定模型，告诉TensorFlow如何进行推理，指定如何计算输出，给定输入x和参数b。2、第二步是使用特定的损失函数编译模型，即二元交叉熵函数。使用BinaryCrossentropy()解决分类问题；使用MeanSquaredError()解决回归问题；J为成本函数3、第三步是训练模型，最小化成本函数（梯度下降）。epochs表示迭代轮回的次数。